拼贴大师:基于样例的高分辨率肖像画风转换
本文介绍了一个用于一次性 3D 肖像样式转移的框架,可以在仅需要一幅不同样式图像的情况下,生成具有几何和纹理风格的 3D 面部模型,而不是一整套相关样例。本文探索了两个阶段,以利用三位面部关键点转换来捕捉粗略的几何样式,并利用差分渲染器,在多视角框架下 对规范纹理进行样式转移。实验表明,我们的方法在不同的艺术风格上取得了稳健的结果,并优于现有的方法。
Apr, 2021
我们提出了一种面部姿态感知和风格转换(Face-PAST)网络,它在生成高质量的风格化图像的同时保留面部细节和结构。通过使用预训练的风格生成网络和残留调制块而非变换编码块,以及利用门控映射单元和面部结构、身份和分割损失来保留面部结构和细节,我们的网络能够用非常有限的数据进行训练。我们的训练过程采用课程学习策略来在生成空间中进行高效灵活的风格混合。通过广泛的实验证明了我们的 Face-PAST 方法相较于现有最先进的方法的优越性。
Jul, 2023
我们提出了一种新颖的基于示例引导的面部修复框架 EXE-GAN,它利用生成对抗网络来维护原始面部图像的质量,并通过同步使用输入图像的全局风格,随机潜在编码产生的随机风格和范例图像的示例风格来完整图像的典型面部属性。为了保证修复区域的自然过渡,我们介绍了一种新颖的空间变量梯度反向传播技术,通过基于空间位置调整损失梯度来实现。在公共 CelebA-HQ 和 FFHQ 数据集上的广泛评估和实际应用验证了 EXE-GAN 在面部修复的视觉质量方面的优越性。
Feb, 2022
本文提出了一种利用辅助预训练人脸识别模型的嵌入特征来促进图像风格转移算法将内容图像中的人脸特征传播到最终风格化结果,以解决现有方法在整个风格化过程中难以保留人脸的个体特征的问题。
Sep, 2023
在本文中,我们引入了一种新颖的一阶段面部恢复年轻化方法,并结合肖像风格转换,在单个生成步骤中执行。我们利用现有的面部恢复年轻化和风格转换网络,两者均在相同的 PR 领域内进行训练。我们的方法独特地融合了不同的潜在向量,每个向量负责管理与年龄相关的属性和 NPR 外观。采用示例为基础的方法,我们的方法比领域级精调方法提供了更大的灵活性,这些方法通常需要针对每个领域进行单独训练或精调。我们的实验表明,我们的模型可以轻松生成年轻化的图像,同时保持示例的风格,保持自然外观和可控性。
Feb, 2024
本研究提出使用领域特定映射来重新映射共享内容空间中的潜在特征到特定内容空间,以提高图像的编码质量和风格传递的效果。实验证明,与以往的图像风格转换方法相比,所提出的方法在需要图像间语义对应的复杂场景中表现得更好。
Aug, 2020
该研究提出了一种基于深度学习网络和生成对抗网络的风格迁移方法,并采用面部标志遮罩保护面部特征以保留面部身份,同时使用格拉姆矩阵来考虑风格相关性,相比之前的研究表现出更好的迁移和保留性能。
Jun, 2023
通过利用 StyleGAN 的生成和概括能力改善输入肖像图像的肤色状况,同时保留其面部细节,我们提出了一种新颖的自动肖像图像修饰框架 StyleRetoucher。与现有替代方案相比,我们方法表现出更好的泛化能力,在肖像图像修饰任务中具有优越的性能。
Dec, 2023
本文提出了一种基于 3D-aware GANs 的 HyperStyle3D 方法,利用 CLIP 模型作为样式指导,可以在不要求 3D 数据的情况下进行立体画风化处理,实验结果表明该方法在不同的画风、形状变形、属性修改等方面展现了优异表现,且保持了 3D 一致性。
Apr, 2023
本文提出了一种基于深度学习的摄影风格迁移方法,通过处理大量图像内容,忠实地传输参考样式。它可以成功抑制失真效果,满足各种情况下的摄影风格转移,包括时间、天气、季节和艺术编辑的转移。
Mar, 2017